Κεφάλαιο 22. Εξελιγµένες Συλλογιστικές. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Transcript

1 Κεφάλαιο 22 Εξελιγµένες Συλλογιστικές Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

2 Εισαγωγή υσκολίες ανάπτυξης συστηµάτων εµπειρική γνώσης: Εκµαίευση γνώσης Κατανόηση και µετατροπή της γνώσης σε υπολογιστικά µοντέλα Εξελιγµένες συλλογιστικές που µειώνουν την ανάγκη για εµπειρική γνώση Συλλογιστική βασισµένη σε µοντέλα (model-based reasoning) Ποιοτική συλλογιστική (qualitative reasoning) Συλλογιστική βασισµένη σε περιπτώσεις (case-based reasoning) Εναλλακτικές πηγές γνώσης: Φυσικά ή µηχανικά µοντέλα Τεχνικά εγχειρίδια Αναφορές περιπτώσεων αντιµετώπισης προβληµάτων, κτλ. Τεχνητή Νοηµοσύνη, B' Έκδοση 2

3 Συλλογιστική Βασισµένη σε Μοντέλα Model-Based Reasoning (1/3) Αναπαριστά τη δοµή και λειτουργία πραγµατικών (φυσικών) συστηµάτων. Χρησιµοποιεί βασικές επιστηµονικές ή τεχνικές αρχές αντί εµπειρικής γνώσης. Χρησιµοποιείται κυρίως σε εφαρµογές διάγνωσης (model-based diagnosis). Μειονέκτηµα εµπείρων συστηµάτων που πραγµατοποιούν διάγνωση: Συσχετίζουν παρατηρήσιµες παραµέτρους του φυσικού συστήµατος, µε παρατηρήσιµες δυσλειτουργίες Απαγωγική συλλογιστική (abductive reasoning): Συλλογιστική που βασίζεται σε εµπειρική γνώση και συνδυάζει το αποτέλεσµα µε το αίτιο Τα φυσικά συστήµατα αντιµετωπίζονται σαν "µαύρα κουτιά" (black-box). Η συµπεριφορά του συστήµατος καθορίζεται από τη συµπεριφορά του στο παρελθόν σε παρόµοιες περιπτώσεις που έχουν αποτυπωθεί ως εµπειρία εν µπορεί να διαγνώσει νέες δυσλειτουργίες Τεχνητή Νοηµοσύνη, B' Έκδοση 3

4 Συλλογιστική Βασισµένη σε Μοντέλα Model-Based Reasoning (2/3) Πλεονέκτηµα: Οι κατασκευαστές γνωρίζουν καλύτερα τη λειτουργία ενός συστήµατος από τους ειδικούς που το χειρίζονται Η περιγραφή του φυσικού συστήµατος περιλαµβάνει τις βασικές αρχές λειτουργίας και όχι τις περιπτώσεις βλαβών που παρατηρήθηκαν Μπορούν να αντιµετωπιστούν καταστάσεις που δεν έχουν συναντηθεί στο παρελθόν Μοντέλο συστήµατος: οµή και βασικές λειτουργίες ενός φυσικού συστήµατος Η αποτύπωση του µοντέλου είναι λιγότερο πολύπλοκη και περισσότερο προβλέψιµη από την εκµαίευση γνώσης Είδη µοντέλων: Μαθηµατικά µοντέλα: Περιγράφουν µε αναλυτικές εξισώσεις ένα σύστηµα Στοχαστικά µοντέλα: Περιγράφουν στατιστικά τη λειτουργία ενός συστήµατος Αιτιοκρατικά µοντέλα: Περιγράφουν ένα σύστηµα µέσω των αλληλεπιδράσεων των επιµέρους τµηµάτων του Τεχνητή Νοηµοσύνη, B' Έκδοση 4

5 Συλλογιστική Βασισµένη σε Μοντέλα Model-Based Reasoning (3/3) Οι βασικές διαγνωστικές λειτουργίες είναι συνήθως ανεξάρτητες από το φυσικό σύστηµα Μπορεί να επαναχρησιµοποιηθεί ο πυρήνας του διαγνωστικού συστήµατος για άλλα φυσικά συστήµατα Απλά συστήµατα Βασίζονται µόνο σε τοπικές αλληλεπιδράσεις γειτονικών εξαρτηµάτων Σύνθετα συστήµατα Αλληλεπιδράσεις µεταξύ µη-γειτονικών εξαρτηµάτων Λειτουργία ιαγνωστικού Συστήµατος Η πραγµατική συµπεριφορά του φυσικού συστήµατος συγκρίνεται µε τη συµπεριφορά που προβλέπει το µοντέλο. Οι διαφορές µπορεί να οφείλονται σε δυσλειτουργία εξαρτηµάτων ή των αισθητήρων. Τεχνητή Νοηµοσύνη, B' Έκδοση 5

6 Μελέτη Περίπτωσης Το Σύστηµα KATE Παρακολουθεί σε πραγµατικό χρόνο συστήµατα ελέγχου για την εκτόξευση διαστηµικών λεωφορείων της NASA. Μοντέλο φυσικού συστήµατος: Περιγραφή των εξαρτηµάτων του συστήµατος και των συνδέσεων µεταξύ τους. Λειτουργία κάθε εξαρτήµατος µέσα στο σύστηµα. Καταγράφονται 2 είδη τιµών: Εντολές: Εξωτερικές παράµετροι λειτουργίας Π.χ. εξωτερικές ρυθµίσεις για πίεση της αντλίας, έλεγχο ροής βαλβίδας, τάση ρεύµατος, κλπ. Θεωρούνται γνωστές και µη αµφισβητήσιµες Μετρήσεις: Οι τιµές των αισθητήρων Τεχνητή Νοηµοσύνη, B' Έκδοση 6

7 Λειτουργία του Συστήµατος KATE Φάση παρακολούθησης και διαπίστωσης προβληµάτων Παρατηρούµενες Τιµές: Καταγραφή µετρήσεων των αισθητήρων Προβλεπόµενες Τιµές: Υπολογισµός τιµών αισθητήρων σύµφωνα µε το µοντέλο Σύγκριση προβλεπόµενων µε τις παρατηρούµενες Αν παρατηρηθεί ασυµφωνία τότε αναζητείται η αιτία της στη δεύτερη φάση 2 η φάση: Εντοπισµός προβληµάτων Εντολές Μοντέλο Μετρήσεις 1 η φάση: Παρακολούθηση συστήµατος και διαπίστωση προβληµάτων Τεχνητή Νοηµοσύνη, B' Έκδοση 7

8 Λειτουργία του Συστήµατος KATE Φάση Εντοπισµού Προβληµάτων Ύποπτα εξαρτήµατα: θεωρούνται υπεύθυνα για τις ασυµφωνίες Όλα τα εξαρτήµατα που συνδέονται άµεσα ή έµµεσα µε τους ασύµφωνους αισθητήρες Oι ίδιοι οι αισθητήρες Υπολογισµός θεωρητικών τιµών των εξαρτηµάτων Yπάρχει µόνο µία βλάβη στο σύστηµα (υπόθεση) Υποθετουµε ότι το εξάρτηµα Α έχει βλάβη Υποθέτουµε ότι όλα τα εξαρτήµατα που συνδέουν έµµεσα το Α µε τον ασύµφωνο αισθητήρα Β λειτουργούν σωστά Υπολογίζεται η κατάσταση του Α από τη µέτρηση της τιµής του αισθητήρα Β Σταδιακά "αθωώνονται" τα ύποπτα εξαρτήµατα Τα εξαρτήµατα που παραµένουν ύποπτα: Μπορούν να αποδειχθούν ότι είναι πράγµατι "ένοχα", ή εν είναι δυνατόν να "αθωωθούν" Επιθυµητό είναι να µείνει µόνο ένα εξάρτηµα στο οποίο εντοπίζεται η βλάβη. Τεχνητή Νοηµοσύνη, B' Έκδοση 8

9 Λειτουργία του Συστήµατος KATE Κριτήρια "Αθώωσης" Ύποπτων Εξαρτηµάτων Αν ένα εξάρτηµα Α λειτουργεί προβληµατικά, τότε όλα τα εξαρτήµατα που το συνδέουν έµµεσα µε κάποιον ασύµφωνο αισθητήρα Β πρέπει να έχουν διαφορετικές υποθετικές τιµές από τις προβλεπόµενες. Αλλιώς το Α είναι αθώο. Αν δεν µπορεί να υπολογιστεί η υποθετική τιµή ενός ύποπτου εξαρτήµατος, τότε σηµαίνει ότι αυτό δεν είναι σε θέση να επηρεάσει τους ασύµφωνους αισθητήρες και θεωρείται αθώο. Αν η υποθετική τιµή ενός ύποπτου εξαρτήµατος συµπίπτει µε την προβλεπόµενη, τότε το εξάρτηµα λειτουργεί κανονικά και πρέπει να αθωωθεί. Αν η υποθετική τιµή ενός ύποπτου εξαρτήµατος δε συµπίπτει µε την προβλεπόµενη, τότε υποθέτουµε ότι το συγκεκριµένο εξάρτηµα δυσλειτουργεί. Αν δεν "εξηγούνται" οι ενδείξεις των αισθητήρων, το εξάρτηµα δεν µπορεί να θεωρηθεί υπαίτιο της δυσλειτουργίας και αθωώνεται. Τεχνητή Νοηµοσύνη, B' Έκδοση 9

10 Παράδειγµα ιάγνωσης βασισµένης σε Μοντέλο Εντολές Ε 1 Ε 2 Ε 3 Ε 4 Σ 11 Σ 12 Σ 13 Σ 14 Εξαρτήµατα Σ 21 Σ 22 Σ 23 Μετρήσεις Μ 1 Μ 2 Μ 3 Μ 4 Μ 5 Τεχνητή Νοηµοσύνη, B' Έκδοση 10

11 Συλλογιστική των Μοντέλων Πλεονεκτήµατα Μειώνεται το υψηλό κόστος απόκτησης της γνώσης. ε χρειάζεται να προβλεφθούν και να καταγραφούν όλες οι πιθανές βλάβες σε ένα σύστηµα. Μειονεκτήµατα Αδυναµία αναπαράστασης και χρήσης ευριστικής και αβέβαιης γνώσης. Προϋπόθεση της βλάβης ενός µόνο εξαρτήµατος. Λογικοφανής υπόθεση που επιβεβαιώνεται στατιστικά, αλλά δεν ισχύει πάντα εν εφαρµόζεται όταν δεν είναι δυνατή η τοποθέτηση αισθητήρων στο εσωτερικό του φυσικού συστήµατος Τεχνητή Νοηµοσύνη, B' Έκδοση 11

12 Ποιοτική Συλλογιστική Qualitative Reasoning Προσοµοιώνει κάποιο φυσικό σύστηµα βάσει ενός ποιοτικού και όχι ποσοτικού ή αριθµητικού µοντέλου. Η ποιοτική κατανόηση της λειτουργίας ενός φυσικού συστήµατος είναι απλούστερη και πολλές φορές ουσιαστικότερη από την ποσοτική κατανόηση του µοντέλου. Χρησιµοποιείται όταν Το ποσοτικό µοντέλο του φυσικού συστήµατος είναι πολύπλοκο, ή εν υπάρχουν αρκετά δεδοµένα ή γνώση για να δηµιουργηθεί ποσοτικό µοντέλο Η ποιοτική προσοµοίωση προβλέπει όλα τα πιθανά αλλά και τα απίθανα πρότυπα συµπεριφοράς του συστήµατος. Είναι πλήρης αλλά όχι ορθή. Π.χ., προβλέπει όλες τις πιθανές συµπεριφορές µιας µπάλας που εκτοξεύεται προς τα πάνω Προβλέπει επίσης και την (απίθανη) αέναη προς τα πάνω κίνηση της Το πρόβληµα δεν οφείλεται στην τεχνική, αλλά στον τρόπο εφαρµογής της Πρέπει να εφαρµόζονται σωστά όλοι οι φυσικοί περιορισµοί Απόρριψη µερικών προβλεπόµενων συµπεριφορών Τεχνητή Νοηµοσύνη, B' Έκδοση 12

13 Ποιοτική Συλλογιστική Το παράδειγµα της µπάλλας Όταν ένα αντικείµενο εκτοξεύεται προς τα πάνω στον αέρα: Φθάνει σε ένα µέγιστο ύψος Εξαρτάται από την ώθηση (και συνεπώς την ταχύτητα) µε την οποία εκτοξεύτηκε Στη συνέχεια πέφτει στο έδαφος Ποσοτική προσοµοίωση Αν σκοπός είναι ο υπολογισµός τροχιάς βαλλιστικού πυραύλου, τότε είναι απαραίτητα τα ποσοτικά στοιχεία Π.χ. πόσο ψηλά θα φτάσει ο πύραυλος και πόσο γρήγορα Ποιοτική προσοµοίωση Π.χ. για έναν προπονητή του tennis που προσπαθεί να εξηγήσει την τροχιά της µπάλας σε ένα παιδί, αρκεί µια απλή ποιοτική κατανόηση του φαινοµένου Τεχνητή Νοηµοσύνη, B' Έκδοση 13

14 Μελέτη Περίπτωσης Το Σύστηµα QSIM Γλώσσα περιγραφής ποιοτικών καταστάσεων Παράµετροι Αυξάνονται, µειώνονται, ή παραµένουν σταθερές (ποιοτικά - όχι αριθµητικά) Φυσικές παράµετροι (physical parameters) του συστήµατος Περιορισµοί (constraints) που καθορίζουν τις συσχετίσεις (relationships) των παραµέτρων Κάθε φυσική παράµετρος αναπαρίσταται ως συνάρτηση του χρόνου Ο χρόνος είναι διακριτός. Κρίσιµα χρονικά σηµεία (critical points): η συνάρτηση αλλάζει τιµή Xρονικά διαστήµατα (time intervals): µεταξύ δύο χρονικών σηµείων Σύνολο διακεκριµένων τιµών (landmark values): Σύνολ τιµών των παραµέτρων Πλήρες διατεταγµένο σύνολο τιµών της παραµέτρου στα κρίσιµα σηµεία Π.χ. µέγιστο-ελάχιστο ύψος Τεχνητή Νοηµοσύνη, B' Έκδοση 14

15 Σύστηµα QSIM Παραδείγµατα Συσχετίσεων Συσχέτιση dταχύτητα Επιτάχυνση = dt ύναµη = µάζα * επιτάχυνση Οι λαµπτήρες µεγαλύτερης ισχύος παράγουν µεγαλύτερη φωτεινότητα Η µείωση του µεγέθους ενός υπολογιστή αυξάνει την υπολογιστική ισχύ του QSIM DERIV(velocity acceleration) MULT(mass acceleration force) M+(wattage lumens) M-(computer-size speed) Τεχνητή Νοηµοσύνη, B' Έκδοση 15

16 Σύστηµα QSIM Ποιοτική Προσοµοίωση Καθορισµός όλων των παραµέτρων σε κάποιο χρονικό σηµείο ή διάστηµα. Για τον υπολογισµό των δυνατών µεταβολών χρησιµοποιείται ο πίνακας επιτρεπτών µεταβολών µεταξύ 2 καταστάσεων Μεταβάσεις τύπου P, από ένα χρονικό σηµείο (point) σε ένα χρονικό διάστηµα. Μεταβάσεις τύπου I, από ένα διάστηµα (interval) σε ένα σηµείο. Σε κάθε κατάσταση: Ταυτοποιούνται οι παράµετροι της προηγούµενης κατάστασης µε τη µεσαία στήλη Παράγονται οι δυνατές τιµές της επόµενης κατάστασης από την τρίτη στήλη Απορρίπτονται κάποιες από τις µεταβολές, όταν: εν είναι συµβατές µε τους περιορισµούς του συστήµατος. ε διαφοροποιούν την προηγούµενη κατάσταση. Όταν δεν είναι δυνατός ο περιορισµός των νέων καταστάσεων σε µία µοναδική δηµιουργείται ένα δένδρο δυνατών επόµενων καταστάσεων. Κάθε κλαδί του δένδρου πρέπει να αναπτυχθεί ξεχωριστά. Τεχνητή Νοηµοσύνη, B' Έκδοση 16

17 Σύστηµα QSIM Επιτρεπτές Μεταβολές Μεταξύ 2 Καταστάσεων Μετάβαση τύπου P Από κατάσταση QS(f, t i ) Προς κατάσταση QS(f, t i, t i+1 ) P 1 (l j, std) (l j, std) P 2 (l j, std) ([l j, l j+1 ], inc) P 3 (l j, std) ([l j-1, l j ], dec) P 4 (l j, inc) ([l j, l j+1 ], inc) P 5 ([l j, l j+1 ], inc) ([l j, l j+1 ], inc) P 6 (l j, dec) ([l j-1, l j ], dec) P 7 ([l j, l j+1 ], dec) ([l j, l j+1 ], dec) Μετάβαση τύπου I Από κατάσταση QS(f, t i, t i+1 ] Προς κατάσταση QS(f, t i+1 ] I 1 (l j, std) (l j, std) I 2 ([l j, l j+1 ], inc) (l j+1, std) I 3 ([l j, l j+1 ], inc) (l j+1, inc) I 4 ([l j, l j+1 ], inc) ([l j, l j+1 ], inc) I 5 ([l j, l j+1 ], dec) (l j, std) I 6 ([l j, l j+1 ], dec) (l j, dec) I 7 ([l j, l j+1 ], dec) ([l j, l j+1 ], dec) I 8 ([l j, l j+1 ], inc) (l*, std) I 9 ([l j, l j+1 ], dec) (l*, std) Τεχνητή Νοηµοσύνη, B' Έκδοση 17

18 Το Παράδειγµα της Μπάλας Φυσικές παράµετροι: Y = το ύψος της µπάλας V = η ταχύτητα της µπάλας A = η επιτάχυνση της µπάλας Περιορισµοί: dy DERIV(Y, V): V = dt dv DERIV(V,A): A = dt A(t) = g < 0 (σταθερά της βαρύτητας) Τεχνητή Νοηµοσύνη, B' Έκδοση 18

19 Το Παράδειγµα της Μπάλας Χρονικό Σηµείο t 0 Η µπάλα εκτοξεύεται προς τα πάνω QS(A,t 0 ) = g QS(V,t 0 ) = V 0 QS(Y,t 0 ) = 0 Χρονικό ιάστηµα [t 0, t 1 ] Η µπάλα κινείται προς τα πάνω χωρίς να είναι γνωστό ακόµα το σηµείο στο οποίο θα σταµατήσει QS(A,t 0,t 1 ) = (g,std) Η τιµή της επιτάχυνσης είναι g, ενώ ο ρυθµός µεταβολής της είναι σταθερός (std). QS(V,t 0,t 1 ) = ([0, ],dec) Η ταχύτητα µειώνεται µε τιµή µεταξύ της αρχικής τιµής (οποιαδήποτε) και του µηδενός. QS(Y,t 0,t 1 ) = ([0, ],inc) Το ύψος της µπάλας µεγαλώνει και η τιµή του είναι µεταξύ της αρχικής τιµής 0 και του µέγιστου ύψους (οποιαδήποτε θετική τιµή). Τεχνητή Νοηµοσύνη, B' Έκδοση 19

20 Το Παράδειγµα της Μπάλας Χρονικό Σηµείο t 1 (1/2) Η µπάλα θα φτάσει στο µέγιστο ύψος. QS(A,t 0,t 1 ) QS(A,t 1 ) Η επιτάχυνση της βαρύτητας είναι σταθερή Η µόνη επιτρεπτή µεταβολή είναι να παραµείνει σταθερή η τιµή της επιτάχυνσης (g,std) (g,std) (λόγω I 1 ) υνατές µεταβολές της ταχύτητας: QS(V,t 0,t 1 ) QS(V,t 1 ). ([0, ],dec) (0,std) Η ταχύτητα µηδενίζεται και παραµένει σταθερή (µετάβαση I 5 ). ([0, ],dec) (0,dec) Η ταχύτητα µηδενίζεται ενώ µειώνεται συνεχώς (µετάβαση I 6 ). ([0, ],dec) ([0, ],dec) Η ταχύτητα συνεχίζει να έχει κάποια θετική τιµή, όχι απαραίτητα την ίδια µε πριν, ενώ µειώνεται συνεχώς (µετάβαση I 7 ). ([0, ],dec) (L*,std) Η ταχύτητα έχει αλλάξει παίρνοντας µία καινούρια (άγνωστη) τιµή L*, η οποία παραµένει σταθερή (µετάβαση I 9 ). Κατάσταση που δεν είναι δυνατό να υπάρξει. Κατάσταση που δεν διαφοροποιεί την προηγούµενη. Κατάσταση που δεν είναι δυνατό να υπάρξει. Τεχνητή Νοηµοσύνη, B' Έκδοση 20

21 Το Παράδειγµα της Μπάλας Χρονικό Σηµείο t 1 (2/2) υνατές µεταβολές του ύψους: QS(Y,t 0,t 1 ) QS(Y,t 1 ). ([0, ],inc) ([0, ],inc) Το ύψος συνεχίζει να έχει θετική τιµή, όχι απαραίτητα την ίδια µε πριν, ενώ αυξάνεται συνεχώς. ([0, ],inc) (L*,std) Το ύψος άλλαξε παίρνοντας µία καινούρια τιµή και παραµένει σταθερό. ([0, ],inc) (,std), ([0, ],inc) (,inc) Το ύψος παίρνει τη µέγιστη τιµή του, συνεπώς η µπάλα φεύγει στο άπειρο είτε διατηρώντας σταθερό ύψος, είτε αυξανόµενο. Προκύπτει η ακόλουθη, µοναδική ποιοτική κατάσταση: QS(A,t1) = (g,std) QS(V,t1) = (0,dec) QS(Y,t1) = (Y new,std) Κατάσταση που δεν διαφοροποιεί την προηγούµενη. Καταστάσεις που δεν είναι δυνατό να υπάρξουν. Έχει "ανακαλυφθεί" µία καινούρια διακεκριµένη τιµή για τη φυσική παράµετρο του ύψους. Τεχνητή Νοηµοσύνη, B' Έκδοση 21

22 Συλλογιστική Βασισµένη σε Περιπτώσεις Case-Based Reasoning Χρησιµοποιεί παραδείγµατα προβληµάτων που αντιµετωπίστηκαν στο παρελθόν για την επίλυση νέων προβληµάτων Η επιλογή της κατάλληλης περίπτωσης βασίζεται στην οµοιότητά της µε την τωρινή Στα έµπειρα συστήµατα η γνώση αποτυπώνεται µε τη µορφή εµπειρικών κανόνων Η εµπειρία καταγράφεται στιγµιαία και αφοµοιώνεται (implicit knowledge) εν καταγράφεται λεπτοµερώς και ρητά (explicit knowledge) Αρχιτεκτονική συστήµατος που χρησιµοποιεί συλλογιστική των περιπτώσεων: Βιβλιοθήκη παλιών περιπτώσεων Μέθοδος ταιριάσµατος και ανάκλησης περιπτώσεων από τη βιβλιοθήκη, βάσει των χαρακτηριστικών του προβλήµατος. Μέθοδος προσαρµογής της παλιάς λύσης, όταν η τωρινή περίπτωση δεν είναι ακριβώς ίδια Μέθοδος δοκιµής, επαλήθευσης και επιδιόρθωσης της προσαρµοσµένης λύσης Μέθοδος εκµάθησης της λύσης, για τον εµπλουτισµό της βιβλιοθήκης Τεχνητή Νοηµοσύνη, B' Έκδοση 22

23 Συλλογιστική των Περιπτώσεων Κύκλος Λειτουργίας Νέα Περίπτωση (χωρίς λύση) Ανάκληση Προστιθέµενη Περίπτωση Αποθηκευµένη Περίπτωση Εκµάθηση Βιβλιοθήκη Περιπτώσεων Προσαρµογή ιορθωµένη Νέα Περίπτωση Επαλήθευση Νέα Περίπτωση (µε λύση) Τεχνητή Νοηµοσύνη, B' Έκδοση 23

24 Οργάνωση της Βιβλιοθήκης των Περιπτώσεων Η οργάνωση της βιβλιοθήκης µπορεί να γίνει: Με απλό τρόπο (π.χ. παράθεση περιπτώσεων) Ιεραρχικά: Οργάνωση σε επίπεδα, βάσει παραµέτρων εισόδου ή στόχων του προβλήµατος Η αναζήτηση στη βιβλιοθήκη πρέπει να βασίζεται σε "έξυπνη" δεικτοδότηση των περιπτώσεων (case indexing), για να είναι αποδοτική εν πρέπει να αντιστοιχούν πολλές περιπτώσεις σε συγκεκριµένες τιµές των παραµέτρων, γιατί θα ανακαλούνται πολλές άσχετες περιπτώσεις Η πολύ αυστηρή συνεκτικότητα µπορεί να οδηγήσει σε αντίθετα αποτελέσµατα, γιατί τις περισσότερες φορές δε θα "ταιριάζει" καµιά περίπτωση εικτοδότηση βασισµένη σε εξηγήσεις (explanation-based indexing): εικτοδότηση βάσει παρατηρούµενων χαρακτηριστικών του προβλήµατος πριν και µετά από κάποια δράση Επεξήγηση του λόγου για τον οποίο δόθηκαν τα χαρακτηριστικά Περιγραφή του στόχου που προσπαθεί να επιτευχθεί από τη συγκεκριµένη δράση Τεχνητή Νοηµοσύνη, B' Έκδοση 24

25 Συστήµατα Συλλογιστικής των Περιπτώσεων ηµιουργία και "σωστή" δεικτοδότηση βιβλιοθήκης περιπτώσεων από άνθρωποειδικό µε εµπειρία στα προβλήµατα που αντιµετωπίζει το σύστηµα. Ο χρήστης: Εισάγει το πρόβληµα που αντιµετωπίζει Ζητά από το σύστηµα να εµφανίσει τις περιπτώσεις που ταιριάζουν στη βιβλιοθήκη Η σύγκριση βασίζεται στην ταύτιση των χαρακτηριστικών του προβλήµατος Ο χρήστης (ή/και το σύστηµα) κρίνει αν οι ανακληθείσες περιπτώσεις είναι σωστές Αν όχι ζητά κάποιες επόµενες Για να αυξηθεί το ποσοστό επιτυχηµένης ταύτισης των περιπτώσεων: Αξιολόγηση των χαρακτηριστικών του προβλήµατος βάσει της σπουδαιότητάς τους Ταύτιση µέσα σε κάποιο εύρος ανεκτικότητας (tolerance) Η λύση που υιοθετήθηκε στο παρελθόν προσαρµόζεται βάσει των χαρακτηριστικών της νέας περίπτωσης Η προσαρµοσµένη λύση αποθηκεύεται στη βιβλιοθήκη του συστήµατος για µελλοντική χρήση (αφού επαληθευθεί) Η γνώση του συστήµατος επεκτείνεται (case-based learning). Τεχνητή Νοηµοσύνη, B' Έκδοση 25

26 Μελέτη Περίπτωσης Το Σύστηµα PAS Προσδιορίζει αυτόµατα την αξία µιας ακίνητης ιδιοκτησίας Σύγκριση µεγέθους, λειτουργίας και χαρακτηριστικών του ακινήτου µε κάποιο ανάλογο ακίνητο που βρίσκεται στην ίδια περιοχή. Ανάκληση της κατάλληλης (πιο πρόσφατης) περίπτωσης αγοραπωλησίας. Ανακαλεί, βαθµολογεί, και ταξινοµεί κατά φθίνουσα σειρά οµοιότητας, τις 10 πιο συναφείς περιπτώσεις. Για τη βαθµολόγηση των περιπτώσεων πρέπει να καθοριστούν: Τα βάρη (σπουδαιότητα) κάθε χαρακτηριστικού Π.χ., το εµβαδόν παίζει πιο σπουδαίο ρόλο από τον όροφο Πώς βαθµολογούνται οι διαφορές Π.χ., ηλικία σπιτιού τρέχουσας περίπτωσης 22 χρόνια, ηλικία σπιτιού βιβλιοθήκης 20 χρόνια, η διαφορά είναι αµελητέα (µηδενική) Τεχνητή Νοηµοσύνη, B' Έκδοση 26

27 Το Σύστηµα PAS Προσαρµογή περίπτωσης (1/2) Χρήση κανόνων (critics) Αυξάνουν ή µειώνουν την αξία πώλησης του σπιτιού που ανακλήθηκε προσαρµόζοντάς το στην περίπτωση του τρέχοντος σπιτιού. Εξαρτάται από τη διαφορά τιµών των χαρακτηριστικών Παράδειγµα: Έστω ότι το σπίτι Α είναι η τρέχουσα περίπτωση και το σπίτι Β είναι µία αποθηκευµένη περίπτωση που αξιολογήθηκε στις 10 πιο "κοντινές" περιπτώσεις. Αν το Α έχει πισίνα, ενώ το Β όχι, τότε η τιµή του Α σε σχέση µε την τιµή πώλησης του Β πρέπει να προσαρµοστεί Ένας κανόνας προσθέτει στην τιµή του σπιτιού Β το κόστος κατασκευής πισίνας (π.χ. 15,000 ) Αν το Β πωλήθηκε για 120,000, το Α (λόγω της πισίνας) πρέπει να πωληθεί 135,000 Τεχνητή Νοηµοσύνη, B' Έκδοση 27

28 Το Σύστηµα PAS Προσαρµογή περίπτωσης (2/2) Η προσαρµογή είναι αθροιστική όλα τα χαρακτηριστικά Παράδειγµα: Αν το εµβαδόν είναι λίγο διαφορετικό, η προσαρµογή είναι µία µικρή διαφοροποίηση της τιµής, π.χ. 900 για κάθε m 2 που διαφέρουν τα δύο σπίτια Π.χ. το Α είναι 110 m 2 ενώ το Β είναι 105 m 2 Η τιµή του Α αυξάνεται κατά 900 5=4,500 και γίνεται 135,000+4,500=139,500 Μειονέκτηµα: Oι πολλές προσαρµογές καταλήγουν σε ανακριβείς τιµές Οι κανόνες προσαρµογής θεωρούν ότι κάθε χαρακτηριστικό είναι ανεξάρτητο από τα υπόλοιπα Στην πραγµατικότητα υπάρχουν αλληλεπιδράσεις Επιβολή βαθµού "ποινής" για κάθε προσαρµογή Όποια περίπτωση έχει λιγότερους βαθµούς ποινής θεωρείται πιο κοντινή στην τωρινή Η τελική αξία προκύπτει από το µέσο όρο των 3 περιπτώσεων µε τους λιγότερους βαθµούς ποινής Τεχνητή Νοηµοσύνη, B' Έκδοση 28

29 Παράδειγµα Καθορισµού Αξίας Ακίνητης Περιουσίας Χαρακτηριστικό Βάρος Τρόπος βαθµολόγησης διαφορών Τρόπος προσαρµογής περίπτωσης Καθαρό εµβαδόν 0.9 Απόλυτη Ποσοστιαία ιαφορά x Κατασκευαστική τιµή m 2 ιαφορά (ΑΠ ) Αριθµός δωµατίων 0.8 ΑΠ ιαφορά x 6,000 Αριθµός τουαλετών 0.5 ΑΠ ιαφορά x 3,000 Αρχιτεκτονικός ρυθµός 1.0 Ίδιος=1, ιαφορετικός=0 Ίδιος=0, ιαφορετικός=±30% Ηλικία οικήµατος 0.7 ΑΠ ιαφορά x 2% Θέση (περιοχή - γειτονιά) Ηµεροµηνία αγοραπωλησίας 0.8 ΑΠ - Απόσταση από το κέντρο της πόλης 0.6 ΑΠ - Χρονική διαφορά/τριετία Τύπος ψύξης 0.2 Ίδιος=1, ιαφορετικός=0.5, Καθόλου=0 ιαφορά αντικειµενικής (ανά περιοχή) αξίας m 2 x Εµβαδόν ιαφορά (σε χρόνια) x 3% Ίδιος=0, ιαφορετικός=±0,5%, Καθόλου=±1% Τύπος θέρµανσης 0.7 Ίδιος=1, ιαφορετικός=0.5, Ίδιος=0, ιαφορετικός=±2%, Καθόλου=±4% Καθόλου=0 Τύπος parking 0.3 Ίδιος=1, ιαφορετικός=0.5, Ίδιος=0, ιαφορετικός=±5%, Καθόλου=±10% Καθόλου=0 Μέγεθος οικοπέδου 0.2 ΑΠ ιαφορά x 100 Ύπαρξη πισίνας 0.1 Ίδιος=1, ιαφορετικός=0 Ίδιος=0, ιαφορετικός=±25% Τεχνητή Νοηµοσύνη, B' Έκδοση 29

30 Συλλογιστική των Περιπτώσεων Πλεονεκτήµατα Πιο κοντά στον τρόπο σκέψης των ανθρώπων (συλλογιστική µε αναλογίες) Η γνώση δεν υπόκειται σε µετατροπές που µπορούν να την αλλοιώσουν Στα έµπειρα συστήµατα η γνώση του ειδικού έχει υποστεί µετατροπές Από τον ειδικό που αναγκάζεται να οµαδοποιήσει τις εµπειρίες του Από το µηχανικό γνώσης που µετατρέπει τις εµπειρίες σε κανόνες Η απόκτηση της γνώσης απλουστεύεται Η γνώση υπάρχει ήδη σε παλαιότερα έγγραφα ή σε βάσεις δεδοµένων Μειονεκτήµατα Υπολογιστικό κόστος αναζήτησης στη βιβλιοθήκη των περιπτώσεων Η απόδοση και ποιότητα των λύσεων επηρεάζεται από: Την "ορθή" δόµηση της βιβλιοθήκης Την ποιότητα και ποσότητα των περιπτώσεων που βρίσκονται στη βιβλιοθήκη υσκολία προσαρµογής της λύσης Κυρίως όταν απαιτούνται ευριστικές-εµπειρικές σχέσεις Τεχνητή Νοηµοσύνη, B' Έκδοση 30

31 Άσκηση Συλλογιστικής των Περιπτώσεων Να υπολογίσετε την τιµή πώλησης του σπιτιού Α, υποθέτοντας ότι η βιβλιοθήκη των περιπτώσεων περιέχει τα σπίτια Β και Γ. Χαρακτηριστικό Σπίτι Α Σπίτι Β Σπίτι Γ Καθαρό εµβαδόν 100 m 2 95 m m 2 Αριθµός δωµατίων Αριθµός τουαλετών Αρχιτεκτονικός ρυθµός πολυκατοικία πολυκατοικία πολυκατοικία Ηλικία του οικήµατος Θέση Τούµπα (5 Km) Καλαµαριά (7 Km) Περαία (20 Km) Ηµεροµηνία αγοραπωλησίας 9/5/00 1/9/99 15/2/00 Τύπος ψύξης air condition - air condition Τύπος θέρµανσης Κεντρική θέρµανση Θερµοσυσσώρευση Κεντρική θέρµανση Τύπος parking Πυλωτή Ανοικτό - ιδιωτικό Πυλωτή Μέγεθος οικοπέδου 1000 m m m 2 Ύπαρξη πισίνας Τιµή πώλησης? 147, ,000 Τεχνητή Νοηµοσύνη, B' Έκδοση 31

32 Άσκηση Συλλογιστικής των Περιπτώσεων Η διαδικασία πρέπει να περιλαµβάνει τα εξής: Βαθµολόγηση της οµοιότητας των σπιτιών Β και Γ σε σχέση µε το Α. Υπολογισµό των βαθµών ποινής για κάθε ένα από τα Β και Γ. Υπολογισµό της τιµής του Α προσαρµόζοντας την τιµή του σπιτιού που βαθµολογήθηκε µε το µεγαλύτερο βαθµό. Υπολογισµό της τιµής του Α προσαρµόζοντας την τιµή του σπιτιού που βαθµολογήθηκε µε τους λιγότερους βαθµούς ποινής. Σύγκριση των δύο τιµών που υπολογίστηκαν στα ερωτήµατα γ και δ. Ποια τιµή βρίσκεται πιο κοντά στην αντίστοιχη τιµή του σπιτιού που επιλέχθηκε; Εξαγωγή συµπερασµάτων από τα παραπάνω αποτελέσµατα. Τεχνητή Νοηµοσύνη, B' Έκδοση 32

33 Παράθεση Χαρακτηριστικών Χαρακτηριστικό Βάρος Τρόπος υπολογισµού διαφορών Σπίτι Α Σπίτι Β Σπίτι Γ Καθαρό εµβαδόν 0,9 απόλυτη ποσοστιαία διαφορά (απδ) Αριθµός δωµατίων 0,8 απδ Αριθµός τουαλετών 0,5 απδ Ηλικία του οικήµατος 0,7 απδ Θέση (περιοχή - γειτονιά) 0,8 απδ - Απόσταση από το κέντρο της πόλης Ανατολική Θεσ/νίκη - Τούµπα (5 Km) Ανατολική Θεσ/νίκη - Καλαµαριά (7 Km) Ανατολική Θεσ/νίκη - Περαία (20 Km) Ηµεροµηνία αγοραπωλησίας 0,6 απδ - Χρονική διαφορά/τριετία 9/5/00 1/9/99 15/2/00 Τύπος ψύξης 0,2 ίδιος=1, διαφορετικός=0,5, καθόλου=0 Τύπος θέρµανσης 0,7 ίδιος=1, διαφορετικός=0,5, καθόλου=0 Τύπος parking 0,3 ίδιος=1, διαφορετικός=0,5, καθόλου=0 air condition Κεντρική θέρµανση - air condition Αρχιτεκτονικός ρυθµός 1,0 ίδιος=1, διαφορετικός=0 πολυκατοικία πολυκατοικία πολυκατοικία Θερµοσυσσώρευση Πυλωτή Ανοικτό - ιδιωτικό Μέγεθος οικοπέδου 0,2 απδ Ύπαρξη πισίνας 0,1 ίδιος=1, διαφορετικός= Κεντρική θέρµανση Πυλωτή Τιµή πώλησης - -? 147, ,000 Τεχνητή Νοηµοσύνη, B' Έκδοση 33

34 Υπολογισµός Οµοιοτήτων ανά Χαρακτηριστικό Χαρακτηριστικό Βάρος Σπίτι Β Σπίτι Γ Καθαρό εµβαδόν 0,9 0,95 0,90 Αριθµός δωµατίων 0,8 1,00 0,67 Αριθµός τουαλετών 0,5 1,00 0,00 Αρχιτεκτονικός ρυθµός 1,0 1,00 1,00 Ηλικία του οικήµατος 0,7-3,00-1,00 Θέση (περιοχή - γειτονιά) 0,5 0,60-2,00 Ηµεροµηνία αγοραπωλησίας 0,6 0,77 0,92 Τύπος ψύξης 0,2 0,00 1,00 Τύπος θέρµανσης 0,7 0,50 1,00 Τύπος parking 0,3 0,50 1,00 Μέγεθος οικοπέδου 0,2 0,90 0,80 Ύπαρξη πισίνας 0,1 1,00 1,00 Τιµή πώλησης - 147, ,000 Παλιο Νεο ιαφορα = Νεο Ο µοιοτητα = 1 ιαφορα Τεχνητή Νοηµοσύνη, B' Έκδοση 34

35 Υπολογισµός Οµοιότητας και Βαθµών Ποινής Χαρακτηριστικό Σπίτι Β Οµοιότητα Βαθµοί Ποινής Οµοιότητα Σπίτι Γ Βαθµοί Ποινής Καθαρό εµβαδόν 0,86 1 0,81 1 Αριθµός δωµατίων 0,80 0 0,53 1 Αριθµός τουαλετών 0,50 0 0,00 1 Αρχιτεκτονικός ρυθµός 1,00 0 1,00 0 Ηλικία του οικήµατος -2,10 1-0,70 1 Θέση (περιοχή - γειτονιά) 0,48 1-1,60 1 Ηµεροµηνία αγοραπωλησίας 0,46 1 0,55 1 Τύπος ψύξης 0,00 1 0,20 1 Τύπος θέρµανσης 0,35 1 0,70 0 Τύπος parking 0,15 1 0,30 0 Μέγεθος οικοπέδου 0,18 1 0,16 1 Ύπαρξη πισίνας 0,10 0 0,10 0 Άθροισµα 2,78 8 2,06 7 Τιµή πώλησης 147, ,000 Τεχνητή Νοηµοσύνη, B' Έκδοση 35

36 Υπολογισµός Τιµής µε βάση τη µέγιστη οµοιότητα Χαρακτηριστικό Τρόπος προσαρµογής Τιµή Μονάδας Καθαρό εµβαδόν Προσαρµογή τιµής διαφορά * κατασκευαστική ,000 τιµή m 2 Αριθµός δωµατίων διαφορά * , Αριθµός τουαλετών διαφορά * , Αρχιτεκτονικός ρυθµός ίδιος=0, διαφορετικός=±30% 30% πολυκατοικία πολυκατοικία +0 Ηλικία του οικήµατος διαφορά * 2% 2% ,760 Θέση (περιοχή - γειτονιά) διαφορά αντικειµενικής (ανά περιοχή) αξίας m 2 * εµβαδό Τούµπα Καλαµαριά ,000 Ηµεροµηνία αγοραπωλησίας διαφορά (σε χρόνια) * 3% 3% 9/5/2000 1/9/ ,033 Τύπος ψύξης Τύπος θέρµανσης Τύπος parking ίδιος=0, διαφορετικός=±0,5%, καθόλου=±1% ίδιος=0, διαφορετικός=±2%, καθόλου=±4% ίδιος=0, διαφορετικός=±5%, καθόλου=±10% 1% air condition ,470 4% Κεντρική θέρµανση Σπίτι Α Σπίτι Β Οµοιότητα Θερµοσυσσώρευση 10% Πυλωτή Ανοικτό - ιδιωτικό , ,350 Μέγεθος οικοπέδου διαφορά * , ,000 Ύπαρξη πισίνας ίδιος=0, διαφορετικός=±25% 25% Άθροισµα +21,553 Τιµή πώλησης - 147, ,553 Ποσοστό 15% Τεχνητή Νοηµοσύνη, B' Έκδοση 36

37 Υπολογισµός Τιµής µε βάση τους ελάχιστους βαθµούς ποινής Χαρακτηριστικό Τρόπος προσαρµογής Τιµή Μονάδας Σπίτι Α Σπίτι Γ Οµοιότητα Προσαρµογή τιµής Καθαρό εµβαδόν διαφορά * κατασκευαστική τιµή m ,000 Αριθµός δωµατίων διαφορά * , ,000 Αριθµός τουαλετών διαφορά * , ,000 Αρχιτεκτονικός ρυθµός ίδιος=0, διαφορετικός=±30% 30% πολυκατοικία πολυκατοικία +0 Ηλικία του οικήµατος διαφορά * 2% 2% ,680 Θέση (περιοχή - γειτονιά) διαφορά αντικειµενικής (ανά Τούµπα Περαία περιοχή) αξίας m 2 * εµβαδό ,000 Ηµεροµηνία αγοραπωλησίας διαφορά (σε χρόνια) * 3% 3% 9/5/ /2/ Τύπος ψύξης Τύπος θέρµανσης Τύπος parking ίδιος=0, διαφορετικός=±0,5%, καθόλου=±1% ίδιος=0, διαφορετικός=±2%, καθόλου=±4% ίδιος=0, διαφορετικός=±5%, καθόλου=±10% 1% air condition air condition % Κεντρική θέρµανση Κεντρική θέρµανση 10% Πυλωτή Πυλωτή +0 Μέγεθος οικοπέδου διαφορά * ,000 1,200-20,000 Ύπαρξη πισίνας ίδιος=0, διαφορετικός=±25% 25% Άθροισµα +2,488 Τιµή πώλησης - 117, , Ποσοστό 2% Τεχνητή Νοηµοσύνη, B' Έκδοση 37